人工智能
人工智能(Artificial Intelligence) ，英文縮寫為AI。它是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統(tǒng)的一門新的技術科學。 人工智能是計算機科學的一個分支，它企圖了解智能的實質，并生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統(tǒng)等。
簡介
“人工智能”一詞最初是在1956 年Dartmouth學會上提出的。從那以后,研究者們發(fā)展了眾多理論和原理,人工智能的概念也隨之擴展。人工智能是一門極富挑戰(zhàn)性的科學，從事這項工作的人必須懂得計算機知識，心理學和哲學。人工智能是包括十分廣泛的科學，它由不同的領域組成，如機器學習，計算機視覺等等，總的說來，人工智能研究的一個主要目標是使機器能夠勝任一些通常需要人類智能才能完成的復雜工作。但不同的時代、不同的人對這種“復雜工作”的理解是不同的。例如繁重的科學和工程計算本來是要人腦來承擔的，現(xiàn)在計算機不但能完成這種計算, 而且能夠比人腦做得更快、更準確，因之當代人已不再把這種計算看作是“需要人類智能才能完成的復雜任務”, 可見復雜工作的定義是隨著時代的發(fā)展和技術的進步而變化的, 人工智能這門科學的具體目標也自然隨著時代的變化而發(fā)展。它一方面不斷獲得新的進展，一方面又轉向更有意義、更加困難的目標。目前能夠用來研究人工智能的主要物質手段以及能夠實現(xiàn)人工智能技術的機器就是計算機, 人工智能的發(fā)展歷史是和計算機科學與技術的發(fā)展史聯(lián)系在一起的。除了計算機科學以外, 人工智能還涉及信息論、控制論、自動化、仿生學、生物學、心理學、數理邏輯、語言學、醫(yī)學和哲學等多門學科。人工智能學科研究的主要內容包括：知識表示、自動推理和搜索方法、機器學習和知識獲取、知識處理系統(tǒng)、自然語言理解、計算機視覺、智能機器人、自動程序設計等方面。
實際應用機器視覺:指紋識別，人臉識別，視網膜識別，虹膜識別，掌紋識別，專家系統(tǒng),智能搜索，定理證明，博弈，自動程序設計，還有航天應用等。
學科范疇人工智能是一門邊沿學科，屬于自然科學和社會科學的交叉。
涉及學科哲學和認知科學，數學，神經生理學，心理學，計算機科學，信息論，控制論，不定性論，仿生學，
研究范疇自然語言處理，知識表現(xiàn)，智能搜索，推理，規(guī)劃，機器學習，知識獲取，組合調度問題，感知問題，模式識別，邏輯程序設計，軟計算，不精確和不確定的管理，人工生命，神經網絡，復雜系統(tǒng)，遺傳算法人類思維方式
應用領域 智能控制，機器人學，語言和圖像理解，遺傳編程機器人工廠
安全問題
目前人工智能還在研究中，但有學者認為讓計算機擁有智商是很危險的，它可能會反抗人類。這種隱患也在多部電影中發(fā)生過。
機器學習
機器學習(Machine Learning)是研究計算機怎樣模擬或實現(xiàn)人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。它是人工智能的核心，是使計算機具有智能的根本途徑，其應用遍及人工智能的各個領域，它主要使用歸納、綜合而不是演繹。
學習能力是智能行為的一個非常重要的特征，但至今對學習的機理尚不清楚。人們曾對機器學習給出各種定義。H.A.Simon認為，學習是系統(tǒng)所作的適應性變化，使得系統(tǒng)在下一次完成同樣或類似的任務時更為有效。R.s.Michalski認為，學習是構造或修改對于所經歷事物的表示。從事專家系統(tǒng)研制的人們則認為學習是知識的獲取。這些觀點各有側重，第一種觀點強調學習的外部行為效果，第二種則強調學習的內部過程，而第三種主要是從知識工程的實用性角度出發(fā)的。
機器學習在人工智能的研究中具有十分重要的地位。一個不具有學習能力的智能系統(tǒng)難以稱得上是一個真正的智能系統(tǒng)，但是以往的智能系統(tǒng)都普遍缺少學習的能力。例如，它們遇到錯誤時不能自我校正；不會通過經驗改善自身的性能；不會自動獲取和發(fā)現(xiàn)所需要的知識。它們的推理僅限于演繹而缺少歸納，因此至多只能夠證明已存在事實、定理，而不能發(fā)現(xiàn)新的定理、定律和規(guī)則等。隨著人工智能的深入發(fā)展，這些局限性表現(xiàn)得愈加突出。正是在這種情形下，機器學習逐漸成為人工智能研究的核心之一。它的應用已遍及人工智能的各個分支，如專家系統(tǒng)、自動推理、自然語言理解、模式識別、計算機視覺、智能機器人等領域。其中尤其典型的是專家系統(tǒng)中的知識獲取瓶頸問題，人們一直在努力試圖采用機器學習的方法加以克服。
機器學習的研究是根據生理學、認知科學等對人類學習機理的了解，建立人類學習過程的計算模型或認識模型，發(fā)展各種學習理論和學習方法，研究通用的學習算法并進行理論上的分析，建立面向任務的具有特定應用的學習系統(tǒng)。這些研究目標相互影響相互促進。
自從1980年在卡內基-梅隆大學召開第一屆機器學術研討會以來，機器學習的研究工作發(fā)展很快，已成為中心課題之一。
模式識別
模式識別(Pattern Recognition)是人類的一項基本智能，在日常生活中，人們經常在進行“模式識別”。隨著20世紀40年代計算機
的出現(xiàn)以及50年代人工智能的興起，人們當然也希望能用計算機來代替或擴展人類的部分腦力勞動。(計算機)模式識別在20世紀60年代初迅速發(fā)展并成為一門新學科。
模式識別(Pattern Recognition)是指對表征事物或現(xiàn)象的各種形式的(數值的、文字的和邏輯關系的)信息進行處理和分析,以對事物或現(xiàn)象進行描述、辨認、分類和解釋的過程,是信息科學和人工智能的重要組成部分。模式識別又常稱作模式分類，從處理問題的性質和解決問題的方法等角度，模式識別分為有監(jiān)督的分類（Supervised Classification）和無監(jiān)督的分類(Unsupervised Classification)兩種。二者的主要差別在于，各實驗樣本所屬的類別是否預先已知。一般說來，有監(jiān)督的分類往往需要提供大量已知類別的樣本，但在實際問題中，這是存在一定困難的，因此研究無監(jiān)督的分類就變得十分有必要了。
模式還可分成抽象的和具體的兩種形式。前者如意識、思想、議論等,屬于概念識別研究的范疇,是人工智能的另一研究分支。我們所指的模式識別主要是對語音波形、地震波、心電圖、腦電圖、圖片、照片、文字、符號、生物傳感器等對象的具體模式進行辨識和分類。
模式識別研究主要集中在兩方面,一是研究生物體(包括人)是如何感知對象的，屬于認識科學的范疇,二是在給定的任務下,如何用計算機實現(xiàn)模式識別的理論和方法。前者是生理學家、心理學家、生物學家和神經生理學家的研究內容,后者通過數學家、信息學專家和計算機科學工作者近幾十年來的努力,已經取得了系統(tǒng)的研究成果。
應用計算機對一組事件或過程進行辨識和分類，所識別的事件或過程可以是文字、聲音、圖像等具體對象，也可以是狀態(tài)、程度等抽象對象。這些對象與數字形式的信息相區(qū)別，稱為模式信息。
模式識別所分類的類別數目由特定的識別問題決定。有時，開始時無法得知實際的類別數，需要識別系統(tǒng)反復觀測被識別對象以后確定。
模式識別與統(tǒng)計學、心理學、語言學、 計算機科學 、生物學、控制論等都有關系。它與 人工智能 、 圖像處理的研究有交叉關系。例如自適應或自組織的模式識別系統(tǒng)包含了人工智能的學習機制；人工智能研究的景物理解、自然語言理解也包含模式識別問題。又如模式識別中的預處理和特征抽取環(huán)節(jié)應用圖像處理的技術；圖像處理中的圖像分析也應用模式識別的技術。
人工神經網絡
人工神經網絡（Artificial Neural Networks, ANN），一種模仿動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。這種網絡依靠系統(tǒng)的復雜程度，通過調整內部大量節(jié)點之間相互連接的關系，從而達到處理信息的目的。人工神經網絡具有自學習和自適應的能力，可以通過預先提供的一批相互對應的輸入－輸出數據，分析掌握兩者之間潛在的規(guī)律，最終根據這些規(guī)律，用新的輸入數據來推算輸出結果，這種學習分析的過程被稱為“訓練”。（引自《環(huán)球科學》2007年第一期《神經語言：老鼠胡須下的秘密》）
概念
由大量處理單元互聯(lián)組成的非線性、自適應信息處理系統(tǒng)。它是在現(xiàn)代神經科學研究成果的基礎上提出的，試圖通過模擬大腦神經網絡處理、記憶信息的方式進行信息處理。
人工神經網絡具有四個基本特征：
?。?）非線性 非線性關系是自然界的普遍特性。大腦的智慧就是一種非線性現(xiàn)象。人工神經元處于激活或抑制二種不同的狀態(tài)，這種行為在數學上表現(xiàn)為一種非線性關系。具有閾值的神經元構成的網絡具有更好的性能，可以提高容錯性和存儲容量。
?。?）非局限性 一個神經網絡通常由多個神經元廣泛連接而成。一個系統(tǒng)的整體行為不僅取決于單個神經元的特征，而且可能主要由單元之間的相互作用、相互連接所決定。通過單元之間的大量連接模擬大腦的非局限性。聯(lián)想記憶是非局限性的典型例子。
（3）非常定性 人工神經網絡具有自適應、自組織、自學習能力。神經網絡不但處理的信息可以有各種變化，而且在處理信息的同時，非線性動力系統(tǒng)本身也在不斷變化。經常采用迭代過程描寫動力系統(tǒng)的演化過程。
（4）非凸性 一個系統(tǒng)的演化方向，在一定條件下將取決于某個特定的狀態(tài)函數。例如能量函數，它的極值相應于系統(tǒng)比較穩(wěn)定的狀態(tài)。非凸性是指這種函數有多個極值，故系統(tǒng)具有多個較穩(wěn)定的平衡態(tài)，這將導致系統(tǒng)演化的多樣性。
人工神經網絡中，神經元處理單元可表示不同的對象，例如特征、字母、概念，或者一些有意義的抽象模式。網絡中處理單元的類型分為三類：輸入單元、輸出單元和隱單元。輸入單元接受外部世界的信號與數據；輸出單元實現(xiàn)系統(tǒng)處理結果的輸出；隱單元是處在輸入和輸出單元之間，不能由系統(tǒng)外部觀察的單元。神經元間的連接權值反映了單元間的連接強度，信息的表示和處理體現(xiàn)在網絡處理單元的連接關系中。人工神經網絡是一種非程序化、適應性、大腦風格的信息處理，其本質是通過網絡的變換和動力學行為得到一種并行分布式的信息處理功能，并在不同程度和層次上模仿人腦神經系統(tǒng)的信息處理功能。它是涉及神經科學、思維科學、人工智能、計算機科學等多個領域的交叉學科。
人工神經網絡是并行分布式系統(tǒng)，采用了與傳統(tǒng)人工智能和信息處理技術完全不同的機理，克服了傳統(tǒng)的基于邏輯符號的人工智能在處理直覺、非結構化信息方面的缺陷，具有自適應、自組織和實時學習的特點。
知識工程（KBE）knowledge based engineering
在計算機上建立專家系統(tǒng)的技術。知識工程這個術語最早由美國人工智能專家E.A.費根鮑姆提出。由于在建立專家系統(tǒng)時所要處理的主要是專家的或書本上的知識，正像在數據處理中數據是處理對象一樣，所以它又稱知識處理學。其研究內容主要包括知識的獲取、知識的表示以及知識的運用和處理等三大方面。
費根鮑姆及其研究小組在20世紀70年代中期研究了人類專家們（而不是萬能博士們）解決其專門領域問題時的方式和方法，注意到專家解題的4個特點：①為了解決特定領域的一個具體問題，除了需要一些公共的知識，例如哲學思想、思維方法和一般的數學知識等之外，更需要應用大量與所解問題領域密切相關的知識，即所謂領域知識。②采用啟發(fā)式的解題方法或稱試探性的解題方法。為了解一個問題，特別是一些問題本身就很難用嚴格的數學方法描述的問題，往往不可能借助一種預先設計好的固定程式或算法來解決它們，而必須采用一種不確定的試探性解題方法。③解題中除了運用演繹方法外，必須求助于歸納的方法和抽象的方法。因為只有運用歸納和抽象才能創(chuàng)立新概念，推出新知識，并使知識逐步深化。④必須處理問題的模糊性、不確定性和不完全性。因為現(xiàn)實世界就是充滿模糊性、不確定性和不完全性的，所以決定解決這些問題的方式和方法也必須是模糊的和不確定的，并應能處理不完全的知識?？傊?，人們在解題的過程中，首先運用已有的知識開始進行啟發(fā)式的解題，并在解題中不斷修正舊知識，獲取新知識，從而豐富和深化已有的知識，然后再在一個更高的層次上運用這些知識求解問題，如此循環(huán)往復，螺旋式上升，直到把問題解決為止。由上面的分析可見，在這種解題的過程中，人們所運用和操作的對象主要是各種知識（當然也包括各種有關的數據），因此也就是一個知識處理的過程。
專家系統(tǒng)是一個智能計算機程序系統(tǒng)，其內部含有大量的某個領域專家水平的知識與經驗，能夠利用人類專家的知識和解決問題的方法來處理該領域問題。也就是說，專家系統(tǒng)是一個具有大量的專門知識與經驗的程序系統(tǒng)，它應用人工智能技術和計算機技術，根據某領域一個或多個專家提供的知識和經驗，進行推理和判斷，模擬人類專家的決策過程，以便解決那些需要人類專家處理的復雜問題，簡而言之，專家系統(tǒng)是一種模擬人類專家解決領域問題的計算機程序系統(tǒng)。
專家系統(tǒng)
專家系統(tǒng)(expert system)是人工智能應用研究最活躍和最廣泛的課題之一。
運用特定領域的專門知識，通過推理來模擬通常由人類專家才能解決的各種復雜的、具體的問題，達到與專家具有同等解決問題能力的計算機智能程序系統(tǒng)。它能對決策的過程作出解釋，并有學習功能，即能自動增長解決問題所需的知識。
發(fā)展簡況 專家系統(tǒng)是人工智能中最重要的也是最活躍的一個應用領域，它實現(xiàn)了人工智能從理論研究走向實際應用、從一般推理策略探討轉向運用專門知識的重大突破。20世紀60年代初，出現(xiàn)了運用邏輯學和模擬心理活動的一些通用問題求解程序，它們可以證明定理和進行邏輯推理。但是這些通用方法無法解決大的實際問題，很難把實際問題改造成適合于計算機解決的形式，并且對于解題所需的巨大的搜索空間也難于處理。1965年，f.a.費根鮑姆等人在總結通用問題求解系統(tǒng)的成功與失敗經驗的基礎上，結合化學領域的專門知識，研制了世界上第一個專家系統(tǒng)dendral ，可以推斷化學分子結構。20多年來，知識工程的研究，專家系統(tǒng)的理論和技術不斷發(fā)展，應用滲透到幾乎各個領域，包括化學、數學、物理、生物、醫(yī)學、農業(yè)、氣象、地質勘探、軍事、工程技術、法律、商業(yè)、空間技術、自動控制、計算機設計和制造等眾多領域，開發(fā)了幾千個的專家系統(tǒng)，其中不少在功能上已達到，甚至超過同領域中人類專家的水平，并在實際應用中產生了巨大的經濟效益。
專家系統(tǒng)的發(fā)展已經歷了3個階段，正向第四代過渡和發(fā)展。第一代專家系統(tǒng)（dendral、macsyma等）以高度專業(yè)化、求解專門問題的能力強為特點。但在體系結構的完整性、可移植性等方面存在缺陷，求解問題的能力弱。第二代專家系統(tǒng)（mycin、casnet、prospector、hearsay等）屬單學科專業(yè)型、應用型系統(tǒng)，其體系結構較完整，移植性方面也有所改善，而且在系統(tǒng)的人機接口、解釋機制、知識獲取技術、不確定推理技術、增強專家系統(tǒng)的知識表示和推理方法的啟發(fā)性、通用性等方面都有所改進。第三代專家系統(tǒng)屬多學科綜合型系統(tǒng)，采用多種人工智能語言，綜合采用各種知識表示方法和多種推理機制及控制策略，并開始運用各種知識工程語言、骨架系統(tǒng)及專家系統(tǒng)開發(fā)工具和環(huán)境來研制大型綜合專家系統(tǒng)。在總結前三代專家系統(tǒng)的設計方法和實現(xiàn)技術的基礎上，已開始采用大型多專家協(xié)作系統(tǒng)、多種知識表示、綜合知識庫、自組織解題機制、多學科協(xié)同解題與并行推理、專家系統(tǒng)工具與環(huán)境、人工神經網絡知識獲取及學習機制等最新人工智能技術來實現(xiàn)具有多知識庫、多主體的第四代專家系統(tǒng)。
類型 對專家系統(tǒng)可以按不同的方法分類。通常，可以按應用領域、知識表示方法、控制策略、任務類型等分類。如按任務類型來劃分，常見的有解釋型、預測型、診斷型、調試型、維護型、規(guī)劃型、設計型、監(jiān)督型、控制型、教育型等。
體系結構 專家系統(tǒng)與傳統(tǒng)的計算機程序系統(tǒng)有著完全不同的體系結構，通常它由知識庫、推理機、綜合數據庫、知識獲取機制、解釋機制和人機接口等幾個基本的、獨立的部分所組成，其中尤以知識庫與推理機相互分離而別具特色。專家系統(tǒng)的體系結構隨專家系統(tǒng)的類型、功能和規(guī)模的不同，而有所差異。
為了使計算機能運用專家的領域知識，必須要采用一定的方式表示知識 。目前常用的知識表示方式有產生式規(guī)則、語義網絡、框架、狀態(tài)空間、邏輯模式、腳本、過程、面向對象等?；谝?guī)則的產生式系統(tǒng)是目前實現(xiàn)知識運用最基本的方法。產生式系統(tǒng)由綜合數據庫、知識庫和推理機3個主要部分組成，綜合數據庫包含求解問題的世界范圍內的事實和斷言。知識庫包含所有用“如果：〈前提〉，于是：〈結果〉”形式表達的知識規(guī)則。推理機（又稱規(guī)則解釋器）的任務是運用控制策略找到可以應用的規(guī)則。正向鏈的策略是尋找出前提可以同數據庫中的事實或斷言相匹配的那些規(guī)則，并運用沖突的消除策略，從這些都可滿足的規(guī)則中挑選出一個執(zhí)行，從而改變原來數據庫的內容。這樣反復地進行尋找，直到數據庫的事實與目標一致即找到解答，或者到沒有規(guī)則可以與之匹配時才停止。逆向鏈的策略是從選定的目標出發(fā)，尋找執(zhí)行后果可以達到目標的規(guī)則；如果這條規(guī)則的前提與數據庫中的事實相匹配，問題就得到解決；否則把這條規(guī)則的前提作為新的子目標，并對新的子目標尋找可以運用的規(guī)則，執(zhí)行逆向序列的前提，直到最后運用的規(guī)則的前提可以與數據庫中的事實相匹配，或者直到沒有規(guī)則再可以應用時，系統(tǒng)便以對話形式請求用戶回答并輸入必需的事實。
早期的專家系統(tǒng)采用通用的程序設計語言（如fortran、pascal、basic等）和人工智能語言（如lisp、prolog、smalltalk等），通過人工智能專家與領域專家的合作，直接編程來實現(xiàn)的。其研制周期長，難度大，但靈活實用，至今尚為人工智能專家所使用。大部分專家系統(tǒng)研制工作已采用專家系統(tǒng)開發(fā)環(huán)境或專家系統(tǒng)開發(fā)工具來實現(xiàn)，領域專家可以選用合適的工具開發(fā)自己的專家系統(tǒng)，大大縮短了專家系統(tǒng)的研制周期，從而為專家系統(tǒng)在各領域的廣泛應用提供條件。
圖靈測試
【簡介】
圖靈測試（又稱“圖靈判斷”）是圖靈提出的一個關于機器人的著名判斷原則。 一種測試機器是不是具備人類智能的方法。如果說現(xiàn)在有一臺電腦，其運算速度非?？?、記億容量和邏揖單元的數目也超過了人腦，而且還為這臺電腦編寫了許多智能化的程序，并提供了合適種類的大量數據，使這臺電腦能夠做一些人性化的事情，如簡單地聽或說。回答某些問題等。那么，我們是否就能說這臺機器具有思維能力了呢?或者說，我們怎樣才能判斷一臺機器是否具存了思維能力呢?
為了檢驗一臺機器是否能合情理地被說成在思想，人工智能的始祖艾倫?圖靈提出了一種稱作圖靈試驗的方法。此原則說：被測試的有一個人，另一個是聲稱自己有人類智力的機器。測試時，測試人與被測試人是分開的，測試人只有通過一些裝置（如鍵盤）向被測試人問一些問題，這些問題隨便是什么問題都可以。問過一些問題后，如果測試人能夠正確地分出誰是人誰是機器，那機器就沒有通過圖靈測試，如果測試人沒有分出誰是機器誰是人，那這個機器就是有人類智能的。目前還沒有一臺機器能夠通過圖靈測試，也就是說，計算機的智力與人類相比還差得遠呢。比如自動聊天機器人。同時圖靈試驗還存在一個問題，如果一個機器具備了“類智能”運算能力，那么通過圖靈試驗的時間會延長，那么多長時間合適呢，這也是后繼科研人員正在研究的問題。
1950年，圖靈來到曼徹斯特大學任教，同時還擔任該大學自動計算機項目的負責人。就在這一年的十月，他又發(fā)表了另一篇題為《機器能思考嗎？》的論文，成為劃時代之作。也正是這篇文章，為圖靈贏得了一頂桂冠——“人工智能之父”。在這篇論文里，圖靈第一次提出“機器思維”的概念。他逐條反駁了機器不能思維的論調，做出了肯定的回答。他還對智能問題從行為主義的角度給出了定義，由此提出一假想：即一個人在不接觸對方的情況下，通過一種特殊的方式，和對方進行一系列的問答，如果在相當長時間內，他無法根據這些問題判斷對方是人還是計算機，那么，就可以認為這個計算機具有同人相當的智力，即這臺計算機是能思維的。這就是著名的“圖靈測試”(Turing Testing)。當時全世界只有幾臺電腦，其他幾乎所有計算機根本無法通過這一測試。但圖靈預言，在20世紀末，一定會有電腦通過“圖靈測試”。目前為止還沒有電腦通過圖靈測試。美國科學家兼慈善家休·勒布納20世紀90年代初設立人工智能年度比賽,把圖靈的設想付諸實踐.比賽分為金、銀、銅三等獎.
圖靈采用“問”與“答”模式，即觀察者通過控制打字機向兩個測試對象通話，其中一個是人，另一個是機器。要求觀察者不斷提出各種問題，從而辨別回答者是人還是機器。圖靈還為這項測試親自擬定了幾個示范性問題：
問： 請給我寫出有關“第四號橋”主題的十四行詩。
答：不要問我這道題，我從來不會寫詩。
問：34957加70764等于多少？
答：（停30秒后）105721
問：你會下國際象棋嗎？
答：是的。
問：我在我的K1處有棋子K；你僅在K6處有棋子K，在R1處有棋子R。現(xiàn)在輪到你走，你應該下那步棋？
答：（停15秒鐘后）棋子R走到R8處，將軍！
圖靈指出：“如果機器在某些現(xiàn)實的條件下，能夠非常好地模仿人回答問題，以至提問者在相當長時間里誤認它不是機器，那么機器就可以被認為是能夠思維的?！?/p>
從表面上看，要使機器回答按一定范圍提出的問題似乎沒有什么困難，可以通過編制特殊的程序來實現(xiàn)。然而，如果提問者并不遵循常規(guī)標準，編制回答的程序是極其困難的事情。例如，提問與回答呈現(xiàn)出下列狀況：
問：你會下國際象棋嗎？
答：是的。
問：你會下國際象棋嗎？
答：是的。
問：請再次回答，你會下國際象棋嗎？
答：是的。
你多半會想到，面前的這位是一部笨機器。如果提問與回答呈現(xiàn)出另一種狀態(tài)：
問： 你會下國際象棋嗎？
答：是的。
問：你會下國際象棋嗎？
答：是的，我不是已經說過了嗎？
問：請再次回答，你會下國際象棋嗎？
答：你煩不煩，干嘛老提同樣的問題。
那么，你面前的這位，大概是人而不是機器。上述兩種對話的區(qū)別在于，第一種可明顯地感到回答者是從知識庫里提取簡單的答案，第二種則具有分析綜合的能力，回答者知道觀察者在反復提出同樣的問題?！皥D靈測試”沒有規(guī)定問題的范圍和提問的標準，如果想要制造出能通過試驗的機器，以我們現(xiàn)在的技術水平，必須在電腦中儲存人類所有可以想到的問題，儲存對這些問題的所有合乎常理的回答，并且還需要理智地作出選擇。
科多大數據感謝您的閱讀
